Rosnąca presja na efektywność energetyczną, stabilną jakość papieru i ograniczanie przestojów sprawia, że tradycyjne podejście do utrzymania ruchu w zakładach papierniczych przestaje wystarczać. Aby dotrzymać kroku konkurencji, fabryki muszą przewidywać awarie zanim wystąpią, optymalizować harmonogramy remontowe oraz lepiej wykorzystywać dane, które od lat gromadzą systemy automatyki. W tym kontekście przełomową rolę odgrywają algorytmy predykcyjne, łączące zaawansowaną analitykę z realiami ciężkich, złożonych maszyn – od układów przygotowania masy włóknistej, przez maszynę papierniczą, aż po sekcje wykończeniowe.

Specyfika przemysłu papierniczego a potencjał predykcyjnego utrzymania ruchu

Przemysł papierniczy jest jednym z najbardziej wymagających środowisk dla wdrażania strategii predykcyjnych. Długie linie technologiczne, ścisłe powiązania między kolejnymi sekcjami oraz bardzo wysokie prędkości pracy maszyn powodują, że nawet drobna awaria jednego elementu może uruchomić kaskadę problemów na całej linii. Jednocześnie każda nieplanowana przerwa to nie tylko koszt utraconej produkcji, ale też ryzyko uszkodzeń tkanin, rolek czy powstawania dużej ilości makulatury.

Charakterystyczne cechy zakładu papierniczego, które szczególnie sprzyjają wykorzystaniu algorytmów predykcyjnych, to między innymi:

• Wysoki poziom instrumentacji procesów – tysiące sygnałów z czujników i systemów sterowania (DCS, PLC, napędy, systemy jakości QCS) stanowią gotowe źródło danych do analiz.
• Powtarzalny charakter produkcji – przy dobrze ustabilizowanym procesie łatwiej identyfikować odchylenia i anomalie w zachowaniu maszyn.
• Bardzo wysokie koszty postoju – zarówno bezpośrednie (utrata produkcji), jak i pośrednie (restart procesu, zużycie energii, zwiększona ilość odpadów).
• Istnienie typowych, powtarzalnych usterek – np. niewyważenie rolek, zużycie łożysk, problemy z hydrauliką czy zapychanie układów wodno-ściekowych.

Te uwarunkowania powodują, że wdrożenie predykcyjnego utrzymania ruchu jest nie tylko ciekawą innowacją, ale staje się istotnym elementem strategii konkurencyjności. Umożliwia bowiem przejście z reaktywnego naprawiania skutków awarii do proaktywnego zarządzania ryzykiem technicznym.

Architektura danych i algorytmów w predykcyjnym utrzymaniu ruchu

Skuteczne wykorzystanie algorytmów predykcyjnych w papierni wymaga zbudowania odpowiedniej architektury danych. W przeciwieństwie do prostych systemów diagnostycznych, które analizują pojedyncze sygnały, rozwiązania predykcyjne integrują dane z wielu poziomów: od czujników drgań, przez parametry procesowe, aż po informacje o obciążeniu produkcyjnym i historii przeglądów.

Źródła danych w maszynowni i przygotowaniu masy

Podstawowe źródła danych obejmują:

• Dane procesowe z systemu DCS – temperatury, przepływy, poziomy, ciśnienia, prędkości linii, napięcia tkanin, pozycje napędów oraz parametry jakościowe takie jak gramatura, wilgotność, poprzeczny profil grubości.
• Dane z napędów i falowników – obciążenie silników, prądy, częstotliwości, alarmy miękkie, charakterystyki rozruchu i hamowania.
• Dane z układów wibracyjnych – analizatory drgań, przetworniki przyspieszeń na łożyskach krytycznych rolek, walców, pomp i wentylatorów.
• Dane z systemów laboratoryjnych – wyniki testów wytrzymałościowych, zawartości popiołu, gładkości, których zmiany mogą pośrednio wskazywać na problemy z konkretnymi elementami mechanicznymi.
• Informacje z systemu CMMS/ERP – historia awarii, wymian łożysk, remontów, czasów przestoju, lista części zamiennych.

Kluczowe jest zapewnienie, aby dane były możliwie pełne, dobrze zsynchronizowane czasowo oraz opisane metadanymi (lokalizacja czujnika, typ maszyny, numer łożyska, materiał tkaniny itd.). Bez tego nawet najbardziej zaawansowane modele analityczne będą działały poniżej swoich możliwości.

Rodzaje algorytmów predykcyjnych

W kontekście utrzymania ruchu w papierni można wyróżnić kilka grup algorytmów predykcyjnych, które uzupełniają się nawzajem:

• Modele prognostyczne oparte na uczeniu nadzorowanym – uczone na historycznych danych awaryjnych; przewidują prawdopodobieństwo awarii w określonym horyzoncie czasowym, np. w ciągu najbliższych 72 godzin.
• Algorytmy wykrywania anomalii – wykorzystują metody nienadzorowane (np. izolacyjne lasy, autoenkodery) do identyfikacji nietypowych wzorców zachowania maszyn, nawet wtedy, gdy w historii nie było wielu zarejestrowanych awarii.
• Modele fizyczno-statystyczne – łączą wiedzę inżynierską (np. wzory na obciążenia łożysk, modele zużycia tkanin) z danymi empirycznymi, co jest szczególnie cenne w przypadku krytycznych węzłów, dla których trudno zebrać duży zbiór danych awaryjnych.
• Algorytmy prognozowania czasu pozostałego do uszkodzenia (RUL – Remaining Useful Life) – oceniają, jak długo dany element będzie mógł bezpiecznie pracować przy aktualnych warunkach.

Przykładowo, w sekcji wstępnej maszyny papierniczej model może łączyć sygnały drgań łożysk rolki kałamarzowej, temperatury smaru, parametry obciążenia napędu oraz bieżącą prędkość maszyny. Na tej podstawie algorytm szacuje dynamikę wzrostu uszkodzenia i rekomenduje okno czasowe na zaplanowanie wymiany.

Przetwarzanie sygnałów i ekstrakcja cech

Jednym z kluczowych etapów budowy systemu predykcyjnego jest przetwarzanie surowych sygnałów i wyodrębnianie tzw. cech diagnostycznych. W przemyśle papierniczym często stosuje się:

• Analizę widmową i obwiedniową drgań łożysk – pozwala wykrywać wczesne uszkodzenia bieżni, koszyków i elementów tocznych.
• Statystyczne wskaźniki procesu – np. odchylenie standardowe prędkości, momentu, fluktuacji ciśnienia w skrzyniach ssących i prasach.
• Wskaźniki stanu tkanin i okładzin – pośrednio wyznaczane przez zmiany oporów napędu, korekty napięcia, liczbę zrywów w danym okresie.
• Fuzję danych – łączenie informacji z wielu czujników w jeden syntetyczny wskaźnik zdrowia komponentu (health index).

Transformacja sygnałów ma ogromne znaczenie dla skuteczności algorytmów. Dobrze dobrane cechy pozwalają uprościć model i zmniejszyć liczbę fałszywych alarmów, co jest szczególnie ważne w środowisku produkcyjnym, gdzie personel nie akceptuje systemów generujących zbyt wiele nieuzasadnionych ostrzeżeń.

Kluczowe obszary zastosowań algorytmów predykcyjnych w zakładzie papierniczym

Choć potencjalnie algorytmy predykcyjne można zastosować niemal w każdym węźle technologicznym, praktyka pokazuje, że największy zwrot z inwestycji przynoszą one w kilku szczególnie krytycznych obszarach linii produkcyjnej papieru.

Łożyska rolek i walców w maszynie papierniczej

Wysokie prędkości obrotowe, znaczne obciążenia i często trudny dostęp sprawiają, że łożyska w maszynie papierniczej są idealnym kandydatem do predykcyjnego monitorowania. Smarowanie odbywa się zwykle centralnie, a awaria jednego łożyska może wymagać zatrzymania całej linii. Tradycyjne podejście, polegające na okresowych pomiarach analizatorem przenośnym, coraz częściej okazuje się niewystarczające.

W modelu predykcyjnym zbiera się:

• sygnały drgań w kilku punktach łożysk,
• temperaturę obudowy,
• parametry obciążenia napędu,
• informacje o zmianach prędkości maszyny i liczbie rozruchów,
• dane o dotychczasowych interwencjach serwisowych.

Algorytmy uczą się, jak wyglądał przebieg tych sygnałów w kolejnych tygodniach poprzedzających rzeczywistą awarię. Następnie porównują bieżące wzorce z historycznymi, oceniając stopień podobieństwa do „ścieżki zużycia”. W ten sposób można z tygodniowym lub nawet dłuższym wyprzedzeniem przewidzieć awarię i zaplanować ją na okno remontowe, w którym minimalny będzie wpływ na plan produkcyjny.

Prasy, suszarnie i układy napędowe

W strefie pras i suszarni obciążenia mechaniczne oraz termiczne są wyjątkowo wysokie. Poważniejsze awarie w tej części linii skutkują często uszkodzeniem kosztownych tkanin, rol okładzinowych czy cylindrów suszących. Algorytmy predykcyjne koncentrują się tu przede wszystkim na:

• ocenie stanu łożysk i przekładni napędzających wały prasowe i cylindry,
• monitorowaniu pracy sprzęgieł i hamulców,
• analizie stabilności prędkości (mikrofluktuacje świadczące o problemach mechanicznych lub elektrycznych),
• powiązaniu anomalii z warunkami procesu (wilgotność wstęgi, ciśnienie pary, zmiany receptury masy).

Szczególnie wartościowe są tu modele, które integrują dane mechaniczne z typowo procesowymi. Przykładowo, rosnące zużycie energii przez napęd przy niezmienionej prędkości i warunkach prasowania może sugerować zbyt duże opory ruchu – początek utraty smarowania, niewspółosiowość, nadmierne napięcie tkanin. Algorytm nie tylko sygnalizuje anomalię, ale wskazuje najbardziej prawdopodobną przyczynę, ułatwiając pracę służbom utrzymania ruchu.

Pompownie, wentylatory i obiegi mediów

W zakładach papierniczych ogromny wolumen mediów (woda, para, powietrze, kondensat, masy włókniste) jest transportowany przez rozbudowane systemy pomp i wentylatorów. Choć pojedyncze urządzenie może wydawać się mniej krytyczne niż rolka w maszynie, to awaria elementu w kluczowym obiegu może zatrzymać cały proces.

Algorytmy predykcyjne stosowane są m.in. do:

• monitorowania zużycia łożysk i niewyważenia wirników,
• wykrywania kawitacji na podstawie charakterystycznych wzorców drgań i zmian ciśnienia,
• analizy charakterystyk przepływ–ciśnienie i porównywania ich z referencyjnymi krzywymi pracy,
• oceny sprawności energetycznej pomp oraz wentylatorów, co pozwala planować remonty regeneracyjne wirników.

W tym obszarze stosuje się często modele hybrydowe: z jednej strony klasyczne wskaźniki diagnostyki wibracyjnej, z drugiej algorytmy oceniające dopasowanie bieżącej pracy do teoretycznego punktu optymalnego w funkcji aktualnego zapotrzebowania linii produkcyjnej.

Tkaniny, filce i okładziny – predykcja zużycia

Choć tkaniny i okładziny nie są typowym „sprzętem elektromechanicznym”, ich stan ma kluczowy wpływ na wydajność i jakość produkcji. Wymiana tkaniny wiąże się z przestojem, koniecznością ponownej stabilizacji procesu oraz wysokimi kosztami samych materiałów. Z tego powodu coraz częściej wykorzystuje się algorytmy predykcyjne do estymacji pozostałego czasu użytecznej pracy.

Modele zużycia tkanin uwzględniają m.in.:

• liczbę godzin pracy przy określonych prędkościach maszyny,
• historię zrywów i restartów,
• warunki procesowe (wilgotność, ilość zanieczyszczeń, rodzaj surowca pierwotnego i wtórnego),
• dane z optycznych systemów monitorowania powierzchni (defekty, przetarcia),
• pośrednie wskaźniki, takie jak wzrost zużycia energii przez napędy czy zmiany profili odwadniania.

Dzięki temu można nie tylko dokładniej planować moment wymiany, ale też powiązać politykę eksploatacji tkanin z parametrami ekonomicznymi – np. „wydłużyć” okres pracy przy minimalnym ryzyku poważnej szkody i kalkulować, czy bardziej opłaca się wcześniejsza wymiana, czy zaakceptowanie stopniowego spadku jakości papieru.

Układy powietrza, klimatyzacji i odpylania

Stabilne warunki mikroklimatu w halach maszyn papierniczych mają znaczenie zarówno dla jakości wstęgi, jak i dla komfortu pracy operatorów. Zbyt suche lub zbyt wilgotne powietrze zwiększa ryzyko zrywów, elektryzowania, deformacji, a także przyspiesza zużycie niektórych elementów. Algorytmy predykcyjne pomagają w tym obszarze poprzez:

• prognozowanie efektywności wymienników ciepła i wymian filtrów,
• analizę korelacji między parametrami powietrza a częstotliwością awarii wybranych komponentów,
• wczesne wykrywanie przeciążeń wentylatorów i problemów z przepływem w kanałach odpylania.

W wielu papierniach system ten integruje się z nadrzędną analityką danych środowiskowych, dzięki czemu można przewidywać warunki w hali również w funkcji warunków zewnętrznych (temperatura i wilgotność na zewnątrz) oraz planu produkcyjnego.

Integracja algorytmów predykcyjnych z praktyką utrzymania ruchu

Nawet najbardziej zaawansowane algorytmy nie przyniosą wartości, jeśli ich wyniki nie zostaną włączone w codzienną pracę służb utrzymania ruchu i produkcji. Kluczowe znaczenie ma sposób prezentacji informacji, zarządzanie alarmami oraz powiązanie z systemami planowania remontów.

Od alarmów do rekomendacji działań

Tradycyjne systemy diagnostyki często generują dużą liczbę alarmów, które z czasem są ignorowane lub wyciszane, ponieważ trudno odróżnić poważne ostrzeżenia od mało istotnych sygnałów. W nowoczesnych rozwiązaniach predykcyjnych stawia się na:

• syntetyczne wskaźniki ryzyka dla poszczególnych zespołów maszyn,
• hierarchizację alarmów w oparciu o krytyczność maszyny i prawdopodobieństwo awarii,
• przekładanie prognoz na konkretne zalecenia, takie jak „wymień łożysko X w czasie najbliższego planowanego postoju weekendowego”,
• podawanie szacowanego okna czasowego, w którym awaria jest najbardziej prawdopodobna.

Dzięki temu inżynierowie otrzymują nie tylko informację, że „coś jest nie tak”, ale także konkretny scenariusz działania. To właśnie takie podejście buduje zaufanie do systemu i motywuje do korzystania z jego sugestii.

Powiązanie z CMMS i planowaniem produkcji

Skuteczne predykcyjne utrzymanie ruchu wymaga ścisłej integracji z systemem CMMS, w którym zarządza się zleceniami pracy, oraz z planistyką produkcji. Algorytmy predykcyjne mogą automatycznie generować wnioski o zlecenia serwisowe, podając:

• identyfikację maszyny i komponentu,
• przewidywaną datę krytycznego poziomu ryzyka,
• zalecany zakres prac,
• listę wymaganych części zamiennych.

Planista produkcji może następnie modyfikować harmonogram kampanii, biorąc pod uwagę okno remontowe zasugerowane przez system. W praktyce oznacza to np. przesunięcie krótkiej, wymagającej mniejszej prędkości kampanii na moment, w którym planowana jest wymiana łożyska, tak aby zminimalizować wpływ przestoju na łączną produkcję miesięczną.

Rola ekspertów procesowych i mechaników

Algorytmy predykcyjne nie zastępują doświadczonych specjalistów, lecz wymagają ich aktywnego zaangażowania. To właśnie inżynierowie procesu, mechanicy i automatycy pomagają:

• dobierać właściwe sygnały wejściowe do modeli,
• interpretować wyniki w kontekście specyfiki danej linii i stosowanych surowców,
• weryfikować trafność prognoz i zgłaszać przypadki, gdy model się myli,
• definiować reguły biznesowe, np. kiedy ryzyko jest akceptowalne, a kiedy konieczny jest natychmiastowy postój.

W praktyce prowadzi to do stopniowej korekty i doskonalenia modeli. System uczy się wraz z zespołem, uwzględniając lokalne niuanse: specyficzną charakterystykę włókien wtórnych, konstrukcję maszyny, nawyki operatorów czy nawet wpływ dostawcy tkanin na statystykę awarii.

Aspekty organizacyjne i kulturowe

Wdrożenie algorytmów predykcyjnych w utrzymaniu ruchu wiąże się również z koniecznością zmiany sposobu myślenia o odpowiedzialności i roli danych. Z jednej strony, pozwala to odejść od polegania wyłącznie na intuicji i słuchu doświadczonego mechanika, z drugiej – może budzić obawy o zastępowanie ludzi technologią.

Do najważniejszych wyzwań miękkich należą:

• budowanie zaufania do systemu poprzez przejrzystość logiki działania modeli,
• szkolenia personelu z interpretacji wyników i właściwego reagowania,
• włączenie wskaźników predykcyjnych do celów działu utrzymania ruchu,
• stopniowe rozszerzanie zakresu systemu – od kilku krytycznych maszyn do całej linii.

Kultura organizacyjna oparta na otwartości na dane i wspólnym wyciąganiu wniosków z awarii jest jednym z kluczowych warunków sukcesu. Bez tego algorytmy pozostaną ciekawostką na ekranie komputera, zamiast stawać się realnym wsparciem decyzji.

Ekonomiczne i środowiskowe efekty zastosowania algorytmów predykcyjnych

Chociaż rosnąca dostępność zintegrowanych platform analitycznych obniża barierę wejścia, wdrożenie predykcyjnego utrzymania ruchu nadal wymaga inwestycji w czujniki, infrastrukturę IT oraz kompetencje zespołu. Uzasadnienie biznesowe jest więc kluczowe – szczególnie w branży papierniczej, w której marże bywają ograniczone, a wahania cen surowców i energii znaczące.

Redukcja przestojów i kosztów utrzymania

Najbardziej namacalnym efektem wykorzystania algorytmów predykcyjnych jest redukcja nieplanowanych przestojów. Przełożenie na wynik finansowy wynika z kilku elementów:

• mniejsza liczba nagłych awarii powodujących straty produkcyjne,
• krótsze przestoje dzięki lepszemu przygotowaniu (części, narzędzia, ekipy wykonawcze),
• optymalizacja zakresu remontów – wymiana elementów faktycznie zbliżających się do końca życia, a nie „na wszelki wypadek”,
• lepsze zarządzanie zapasami części zamiennych opartych na realnym ryzyku, a nie na sztywnych założeniach.

W typowej papierni, w której kluczowe maszyny pracują praktycznie bez przerwy, nawet kilkuprocentowe zmniejszenie liczby godzin nieplanowanych postojów przekłada się na znaczący wzrost rocznej produkcji netto. Dodatkowo zmniejsza się liczba interwencji awaryjnych w porach nocnych i weekendowych, co poprawia organizację pracy zespołów utrzymania ruchu.

Stabilizacja jakości i ograniczanie odpadów

Wiele awarii nie prowadzi od razu do zatrzymania linii, lecz stopniowo pogarsza warunki procesu, generując większą liczbę defektów w papierze – przerwania wstęgi, pasma o nieodpowiedniej gramaturze, problemy z nawinięciem rolki. Algorytmy predykcyjne, wychwytując wczesne symptomy zużycia, pozwalają:

• utrzymać stabilne parametry jakościowe przez dłuższy czas,
• ograniczyć ilość makulatury wewnętrznej,
• uniknąć wysyłki produktu o zaniżonych parametrach do klienta.

Ma to szczególne znaczenie dla wysokogatunkowych papierów graficznych czy specjalistycznych papierów technicznych, gdzie wymogi jakościowe są bardzo restrykcyjne, a każda reklamacja może oznaczać konieczność wyprodukowania dodatkowych partii w trybie pilnym.

Wpływ na zużycie energii i zasobów

Predykcyjne utrzymanie ruchu przekłada się również na obszar efektywności energetycznej i zużycia mediów. Stabilniej pracujące maszyny, z mniejszą liczbą nagłych restartów i problemów mechanicznych, zużywają mniej energii na jednostkę wyprodukowanego papieru. Dodatkowo:

• optymalny stan tkanin i filców wspiera efektywne odwadnianie, co zmniejsza ilość energii potrzebnej w suszarni,
• sprawne pompy i wentylatory działające blisko punktu najwyższej sprawności ograniczają straty energii na przepływie wody i powietrza,
• mniejsza liczba awarii redukuje ilość odpadów produkcyjnych i konieczność ich recyklingu.

Z punktu widzenia strategii zrównoważonego rozwoju, coraz częściej wymuszanej przez klientów i regulacje, algorytmy predykcyjne stają się narzędziem wspierającym osiąganie celów środowiskowych. Nie chodzi już wyłącznie o niezawodność techniczną, ale o budowanie bardziej odpowiedzialnej, niskoemisyjnej produkcji.

Elastyczność produkcji a odporność na zakłócenia

Nowoczesna papiernia musi być zdolna do szybkiego reagowania na zmiany popytu, krótszych serii produkcyjnych, częstszych zmian receptur. Taka elastyczność zwiększa jednak obciążenie dla maszyn – częstsze rozruchy, zmienne prędkości i temperatury. Algorytmy predykcyjne pomagają ocenić, jak planowane zmiany produkcyjne wpłyną na zdrowie kluczowych komponentów.

Przykładowo, planując intensywną kampanię z maksymalną prędkością linii, system może zasugerować wcześniejsze wykonanie określonych prac serwisowych, aby zminimalizować ryzyko awarii w szczycie obciążenia. W ten sposób predykcyjne utrzymanie ruchu staje się elementem budowania odporności operacyjnej zakładu na zakłócenia rynkowe, techniczne i surowcowe.

Praktyczne wskazówki wdrożeniowe dla zakładów papierniczych

Wejście na ścieżkę predykcyjnego utrzymania ruchu nie musi oznaczać rewolucji realizowanej jednorazowo. Doświadczenia wielu papierni wskazują, że skuteczne podejście opiera się na stopniowej, zaplanowanej ewolucji systemu i kompetencji.

Wybór obszarów pilotażowych

Pierwszym krokiem jest wybór ograniczonego zakresu pilotażowego – zwykle obejmującego kilka najbardziej krytycznych maszyn lub sekcji, gdzie:

• dane są stosunkowo łatwo dostępne,
• awarie są kosztowne i dobrze udokumentowane,
• istnieje zaangażowany zespół lokalnych ekspertów.

W przemyśle papierniczym często wybiera się na start:

• sekcję pras i pierwszych cylindrów suszarni,
• kluczowe pompy i wentylatory,
• krytyczne łożyska o znanej historii awarii.

Pozwala to szybko wygenerować pierwsze, mierzalne korzyści, które stają się argumentem na rzecz dalszego rozwoju systemu.

Budowanie „cyfrowego bliźniaka” wybranych maszyn

Cennym narzędziem przy wdrażaniu zaawansowanej analityki jest koncepcja cyfrowego bliźniaka – wirtualnego odwzorowania wybranych maszyn, uwzględniającego ich parametry konstrukcyjne, typową eksploatację i reakcję na zmiany warunków. W zakładzie papierniczym cyfrowy bliźniak może obejmować np. cały układ napędowy wybranej sekcji maszyny.

Na podstawie takiego modelu można:

• symulować skutki planowanych zmian (np. podniesienie prędkości, zmiana rodzaju surowca),
• oceniać prawdopodobieństwo awarii przy różnych scenariuszach,
• szukać optymalnego kompromisu między obciążeniem a żywotnością komponentów.

Integracja cyfrowego bliźniaka z bieżącymi danymi pomiarowymi dodatkowo zwiększa wartość predykcyjną modelu, pozwalając porównywać stan rzeczywisty z oczekiwanym i szybko wychwytywać odchylenia.

Standaryzacja danych i współpraca z dostawcami

Ze względu na złożoność linii papierniczych, wiele kluczowych urządzeń pochodzi od różnych dostawców. Każdy z nich może oferować własne systemy diagnostyczne, co prowadzi do fragmentacji danych. Wdrożenie algorytmów predykcyjnych wymaga:

• ujednolicenia formatów wymiany danych,
• wypracowania wspólnych standardów opisów sygnałów,
• zbudowania centralnej platformy analitycznej, do której dostawcy przekazują dane w uzgodnionym formacie.

Coraz częściej dostawcy maszyn, tkanin czy systemów napędowych oferują własne usługi analityczne, oparte na danych zebranych z wielu zakładów. Integracja lokalnych algorytmów z ekspertyzą globalną (agregowane dane flotowe) może znacząco poprawić jakość prognoz i przyspieszyć wykrywanie nowych typów usterek, zanim staną się one powszechne.

Rozwój kompetencji i rola analityków danych

Ostatnim, ale nie mniej ważnym elementem jest rozwój kompetencji wewnętrznych. Oprócz tradycyjnych ról mechaników, automatyków i inżynierów procesu, w strukturze zakładu pojawiają się:

• analitycy danych przemysłowych,
• specjaliści ds. integracji systemów OT/IT,
• koordynatorzy projektów cyfryzacyjnych.

Ich zadaniem jest nie tylko obsługa algorytmów, ale przede wszystkim tłumaczenie potrzeb produkcji i utrzymania ruchu na język danych oraz przekładanie wyników analiz na decyzje operacyjne. To właśnie na styku tych kompetencji powstaje realna wartość biznesowa – od wykrycia pojedynczej anomalii w łożysku po przedefiniowanie strategii remontowej całej papierni.